VLA/エージェント基盤2026/4/11arXiv:2604.10096

ABot-Claw: 持続的・協調的・自己進化型ロボットエージェントの基盤

ABot-Claw: A Foundation for Persistent, Cooperative, and Self-Evolving Robotic Agents

OpenClawを拡張し、異種ロボットの協調、視覚中心のマルチモーダル記憶、批評家ベースの閉ループフィードバックを統合することで、実世界での長期的・自己進化的なロボットエージェントを実現する基盤を提案した。

詳しい要約

1. どんなもの？

- 提案：ABot-Claw - OpenClawのembodied拡張 - 永続的・協調的・自己進化するロボットエージェント基盤 - 目的：open-world環境での高レベル推論と低レベル物理実行のギャップ解消 - 構成：OpenClaw層、共有サービス層、ロボットembodiment層の分離アーキテクチャ - 機能：自然言語意図から物理行動までのループを閉じる - 対象：heterogeneous robot coordination、長期間実行、動的環境

2. 先行研究と比べてどこがすごい？

- VLAモデル：強い知覚と直感的応答を提供するが、open-loop性質がlong-horizon性能を制限 - System 2認知機構を組み込むエージェント：計画を改善するが、閉じたsandboxで動作し、事前定義toolkitと限られた実システム制御 - OpenClaw：完全なシステム特権を持つローカルruntimeを提供するが、長期間・マルチロボット実行に必要なembodied制御アーキテクチャが欠如 - ABot-Claw：OpenClawをembodied拡張し、上記の制限を克服する基盤を提供

3. 技術・手法の肝は？

- 統合embodiment interface：capability-driven schedulingによるheterogeneous robot coordination - 視覚中心のcross-embodiment multimodal memory：永続的context保持とgrounded retrieval - critic-based closed-loop feedback mechanism：generalist reward modelによるonline progress評価、局所修正、replanning - 分離アーキテクチャ：OpenClaw層、共有サービス層、ロボットembodiment層 - これにより実世界interactionを可能にし、自然言語意図から物理行動までのループを閉じる

4. どうやって有効だと検証した？

- 要旨からは不明 - 具体的な実験設定、評価指標、ベースライン比較、実機検証の有無は記述されていない

5. 議論はある？

- 要旨からは不明 - 限界、失敗事例、計算コスト、スケーラビリティ、倫理的影響などの議論は記述されていない

6. 次に読むべき論文は？

- VLAモデル（例：RT-2、OpenVLAなど） - System 2認知機構を組み込んだエージェント（例：SayCan、Inner Monologueなど） - OpenClaw - 関連手法：cross-embodiment learning、multimodal memory、generalist reward model、closed-loop feedback

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Dongjie Huo, Haoyun Liu, Guoqing Liu, Dekang Qi, Zhiming Sun, Maoguo Gao, Jianxin He, Yandan Yang, Xinyuan Chang, Feng Xiong, Xing Wei, Zhiheng Ma, Mu Xu

分類: cs.CV

原文アブストラクト

Current embodied intelligent systems still face a substantial gap between high-level reasoning and low-level physical execution in open-world environments. Although Vision-Language-Action (VLA) models provide strong perception and intuitive responses, their open-loop nature limits long-horizon performance. Agents incorporating System 2 cognitive mechanisms improve planning, but usually operate in closed sandboxes with predefined toolkits and limited real-system control. OpenClaw provides a localized runtime with full system privileges, but lacks the embodied control architecture required for long-duration, multi-robot execution. We therefore propose ABot-Claw, an embodied extension of OpenClaw that integrates: 1) a unified embodiment interface with capability-driven scheduling for heterogeneous robot coordination; 2) a visual-centric cross-embodiment multimodal memory for persistent context retention and grounded retrieval; and 3) a critic-based closed-loop feedback mechanism with a generalist reward model for online progress evaluation, local correction, and replanning. With a decoupled architecture spanning the OpenClaw layer, shared service layer, and robot embodiment layer, ABot-Claw enables real-world interaction, closes the loop from natural language intent to physical action, and supports progressively self-evolving robotic agents in open, dynamic environments.

arXivで原文を読む →arXiv概要ページ

← 論文一覧